🤖 智能体 · 记忆 · 工具使用（约 35 篇）

本日最热方向。核心趋势：记忆从"语义检索"走向"执行状态管理"，工具调用从"全量暴露"走向"因果最小化过滤"，技能从上下文文本转入权重空间。

• MAGE: Beyond Semantic Organization — 将记忆组织为层次状态树，在 MemoryArena 上成功率提升 7.8–20.4 pp
• MRAgent: Memory is Reconstructed, Not Retrieved — 关联记忆图 + 主动重建机制，LoCoMo 提升 23%
• ToolChoiceConfusion: Causal Minimal Tool Filtering — 因果充分性选工具，每步仅暴露 1 个工具，token 降 90%
• LatentSkill: In-Weight Latent Skills for LLM Agents — 超网络将文本技能转为 LoRA，ALFWorld 成功率 +21.4 pt
• MemGate: Trustworthy Memory Search — 9M 参数轻量网关，阻断记忆引发的跨域泄漏和越狱

⚡ 推理 · 训练效率 · RL 优化（约 40 篇）

两大焦点：(1) RL 后训练中的信用分配与方差控制（RREDCoT、MDP-GRPO、OrderGrad）；(2) 架构级效率突破——跨层稀疏注意力、RNN 无展开训练、权重预条件化。

• Goedel-Architect: Formal Theorem Proving via Blueprint — 开源权重模型 MiniF2F-test 100%、PutnamBench 88.8%
• CLSA: Cross-Layer Sparse Attention — 共享路由索引，128K 上下文解码加速 7.6×
• SMT: Pretraining Recurrent Networks without Recurrence — 将 RNN 训练还原为单步监督学习，O(1) 梯度路径
• RREDCoT: Segment-Level Reward Redistribution — 利用模型自身近似最优奖励重分配，无额外生成开销
• OPRD: On-Policy Representation Distillation — 隐层空间蒸馏，AIME 2024 弥合师生差距，速度 1.44×

🦾 机器人 · 具身智能 · 自动驾驶（约 25 篇）

VLA 模型持续升级：速度可控（TempoVLA）、世界模型驱动（WorldFly、WLA、PLAN-S）；人形机器人向全身操控与极端运动（爬梯）推进。

• HANDOFF: Humanoid Whole-Body Control via Distilled Teachers — 混合专家蒸馏，单一控制器同时支持运动跟踪、行走与跌倒恢复
• LadderMan: Humanoid Perceptive Ladder Climbing — 两阶段学习 + 视觉基础模型 sim-to-real，零样本爬梯
• WLA: World-Language-Action Model — 联合世界建模、语言推理与动作合成，RoboTwin2.0 成功率 92.94%
• TempoVLA: Speed-Controllable VLA Policies — 显式速度条件，首次实现 VLA 动态加减速

🛡️ 安全 · 对齐 · 评估基准（约 25 篇）

安全研究呈现两个新方向：(1) 对 LLM agent 的协作式治理信号（Recuse Signal）和记忆边界审计；(2) 自演化系统中的人类反馈机制与奖励黑客监控。

• Recuse Signal: LLM-Agent Compliance with Access-Deny — robots.txt 的 agent 版本，100% 触发合规退出
• CogManip: Benchmarking Manipulative Behavior — 1000 个多轮场景评估 15 种操纵策略，GPT-5.4 和 DeepSeek 均显露风险
• ANCHOR: Human-like Oversight for Self-Evolving Agents — 有限人类监督即可大幅缓解自演化系统安全退化
• Reward-Hack Activations to Agentic Risk States — 上下文校准机械监控，熵 + 决策特征优于单纯激活方向

开源模型攻克数学竞赛：MiniF2F 100%、IMO 2025 4/6

论文：Goedel-Architect: Streamlining Formal Theorem Proving with Blueprint Generation and Refinement

创新点：提出蓝图生成与精化框架——先生成定义和引理的依赖图，再并行关闭各开放节点，失败驱动全局蓝图迭代。使用开源 DeepSeek-V4-Flash (284B-A13B) 作为骨干，MiniF2F-test 达到 100% pass@1，PutnamBench 88.8%，IMO 2025 解出 4/6 题。

意义：以低至 500× 的成本差距达到同类开源流水线 SOTA，证明形式化定理证明已进入工程化可复用阶段。

跨层共享路由：一次索引解决长上下文效率三重瓶颈

论文：You Only Index Once: Cross-Layer Sparse Attention with Shared Routing

创新点：在 KV 共享架构（YOCO）基础上，将 token 级 top-k 路由索引也跨层共享，一次计算即复用多层。同时改善预填充、KV 缓存和解码三个推理瓶颈。128K 上下文实现 7.6× 解码加速和 17.1× 整体吞吐提升。

意义：首次在精度与效率间找到完整架构级解法，为长上下文 LLM 部署提供了实用路径。

去除循环依赖：用监督学习训练 RNN

论文：Pretraining Recurrent Networks without Recurrence

创新点：提出 Supervised Memory Training（SMT），通过 Transformer 编码器学习预测性状态标签，将 RNN 训练转化为单步记忆转移的监督学习。实现 O(1) 梯度路径和时间并行训练，在语言建模和像素序列建模上超越 BPTT。

意义：从根本上解耦"记住什么"和"如何更新记忆"，有望释放 RNN 在时间抽象方面的 scaling 潜力。

扩散语言模型的自增强检索：丢弃的 token 也是好线索

论文：SARDI: Self-Augmenting Retrieval for Diffusion Language Models

创新点：发现离散扩散 LM 在去噪过程中被丢弃的低置信度 token 可作为前瞻信号，用于提前检索相关证据。方法无需训练、与检索器无关，五个多跳 QA 基准上超越现有无训练基线，吞吐高达 8×。

意义：开辟了扩散语言模型在 RAG 场景的新范式，将"生成过程中的副产品"转化为检索优势。

子空间感知稀疏自编码器：终结特征分裂

论文：SASA: Subspace-Aware Sparse Autoencoders for Mechanistic Interpretability

创新点：理论证明标准 SAE 的单向量解码器在高维特征上必然导致指数级特征分裂；提出学习解码子空间 + 块稀疏门控 + 核范数秩自适应，将样本复杂度从指数降至多项式。GPT-2 和 Mistral-7B 上减少分裂与吸收，半数 token 预算即达同等效果。

意义：为机械可解释性社区提供了理论基础和实用工具，有望成为 SAE 的下一代标准。

1. Agent 记忆从"检索"到"状态管理"的范式转移。至少 5 篇论文（MAGE、MRAgent、TokenMizer、MemGate、RBI-Eval）不约而同指出：语义相似性检索不足以支撑长程 agent 任务，记忆需要被建模为执行状态树、关联图或信任过滤网关。这一方向正在从单篇探索走向系统级共识。

2. RL 后训练的"第二代工具箱"成形。GRPO 的不稳定性已被充分暴露（MDP-GRPO 识别三类病理），新方案围绕信用分配（RREDCoT）、序统计量目标（OrderGrad）、中心化优势（MaxPO）展开，正在替代朴素的 Monte Carlo reward。

3. 具身 AI 的"世界模型 + VLA"融合加速。WLA、WorldFly、PLAN-S 三篇论文均在 VLA 中引入世界模型预测未来状态，用于指导动作生成。世界建模从独立模块走向与动作策略的端到端联合训练，正成为具身智能的新标配。